TensorFlow Clase

Directorio local que contiene archivos de configuración del experimento.

Destino de proceso donde se realizará el entrenamiento. Puede ser un objeto o la cadena "local".

Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.

Prioridad de máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, se usa 'dedicated'.

Valores admitidos: "dedicated" y "lowpriority".

Esto solo surte efecto cuando vm_size param se especifica en la entrada.

Ruta de acceso relativa al archivo que contiene el script de entrenamiento.

Diccionario de argumentos de línea de comandos que se van a pasar al script de entrenamiento especificado en entry_script.

Número de nodos del destino de proceso que se usa para el entrenamiento. Solo se admite el AmlCompute destino para el entrenamiento distribuido (node_count> 1).

Al usar MPI, el número de procesos por nodo.

Cuando se usa Parameter Server para el entrenamiento distribuido, el número de nodos de trabajo.

OBSOLESCENTE. Especifique como parte del distributed_training parámetro .

Cuando se usa El servidor de parámetros para el entrenamiento distribuido, el número de nodos de servidor de parámetros.

Back-end de comunicación para el entrenamiento distribuido.

OBSOLESCENTE. Utilice el parámetro distributed_training.

Valores admitidos: 'mpi' y 'ps'. 'mpi' representa MPI/Horovod y 'ps' representa el servidor de parámetros.

Este parámetro es necesario cuando cualquiera de node_count, process_count_per_node, worker_counto parameter_server_count> 1. En el caso de "ps", la suma de worker_count y parameter_server_count debe ser menor o igual que node_count * (número de CPU o GPU por nodo)

Cuando node_count == 1 y process_count_per_node == 1, no se usará ningún back-end a menos que el back-end se establezca explícitamente. Solo se admite el AmlCompute destino para el entrenamiento distribuido.

Parámetros para ejecutar un trabajo de entrenamiento distribuido.

Para ejecutar un trabajo distribuido con el back-end de Parameter Server, use el ParameterServer objeto para especificar worker_count y parameter_server_count. La suma de los worker_count parámetros y parameter_server_count debe ser menor o igual que node_count * (el número de CPU o GPU por nodo).

Para ejecutar un trabajo distribuido con back-end de MPI, use el Mpi objeto para especificar process_count_per_node.

Especifica si el entorno para ejecutar el experimento debe admitir GPU. Si es true, se usará una imagen de Docker predeterminada basada en GPU en el entorno. Si es false, se usará una imagen basada en CPU. Las imágenes de Docker predeterminadas (CPU o GPU) solo se usarán si el custom_docker_image parámetro no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Especifica si el entorno en el que se va a ejecutar el experimento debe estar basado en Docker.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento.

OBSOLESCENTE. Utilice el parámetro custom_docker_image.

Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Detalles del registro de imágenes de Docker.

Especifica si Azure ML reutiliza un entorno de Python existente. Si es false, Azure ML creará un entorno de Python en función de la especificación de dependencias de Conda.

Lista de cadenas que representan paquetes de Conda que se van a agregar al entorno de Python para el experimento.

Lista de cadenas que representan paquetes pip que se van a agregar al entorno de Python para el experimento.

Cadena que representa la ruta de acceso relativa al archivo yaml de dependencias de conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco. OBSOLESCENTE. Utilice el parámetro conda_dependencies_file.

Cadena que representa la ruta de acceso relativa al archivo de texto de requisitos pip. Esto se puede proporcionar en combinación con el pip_packages parámetro . OBSOLESCENTE. Utilice el parámetro pip_requirements_file.

Cadena que representa la ruta de acceso relativa al archivo yaml de dependencias de conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.

Cadena que representa la ruta de acceso relativa al archivo de texto de requisitos pip. Esto se puede proporcionar en combinación con el pip_packages parámetro .

Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso en el que se ejecuta el script de usuario.

Definición del entorno para el experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción de entorno que no se exponga directamente a través de otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packageso pip_packages. Los errores se notificarán en estas combinaciones no válidas.

Lista de DataReference objetos o DatasetConsumptionConfig que se van a usar como entrada.

Almacén de datos de respaldo para el recurso compartido del proyecto.

Tamaño del bloque de memoria compartida del contenedor de Docker. Si no se establece, se usa el azureml.core.environment._DEFAULT_SHM_SIZE predeterminado. Para más información, consulte Referencia de ejecución de Docker.

Ruta de acceso de datos que contiene los archivos de punto de control o modelo desde los que reanudar el experimento.

Tiempo máximo permitido para la ejecución. Azure ML intentará cancelar automáticamente la ejecución si tarda más de este valor.

Versión de TensorFlow que se va a usar para ejecutar código de entrenamiento. Si no se proporciona ninguna versión, el estimador tendrá como valor predeterminado la versión más reciente compatible con Azure ML. Use TensorFlow.get_supported_versions() para devolver una lista para obtener una lista de todas las versiones compatibles con el SDK de Azure ML actual.

Directorio local que contiene archivos de configuración del experimento.

Destino de proceso donde se realizará el entrenamiento. Puede ser un objeto o la cadena "local".

Tamaño de máquina virtual del destino de proceso que se creará para el entrenamiento. Valores admitidos: cualquier tamaño de máquina virtual de Azure.

Prioridad de máquina virtual del destino de proceso que se creará para el entrenamiento. Si no se especifica, se usa 'dedicated'.

Valores admitidos: "dedicated" y "lowpriority".

Esto solo surte efecto cuando vm_size param se especifica en la entrada.

Ruta de acceso relativa al archivo que contiene el script de entrenamiento.

Diccionario de argumentos de línea de comandos para pasar al script de entrenamiento de tne especificado en entry_script.

Número de nodos del destino de proceso que se usa para el entrenamiento. Solo se admite el AmlCompute destino para el entrenamiento distribuido (node_count> 1).

Al usar MPI, el número de procesos por nodo.

Cuando se usa Parameter Server, el número de nodos de trabajo.

OBSOLESCENTE. Especifique como parte del distributed_training parámetro .

Cuando se usa Parameter Server, el número de nodos de servidor de parámetros.

Back-end de comunicación para el entrenamiento distribuido.

OBSOLESCENTE. Utilice el parámetro distributed_training.

Valores admitidos: 'mpi' y 'ps'. 'mpi' representa MPI/Horovod y 'ps' representa el servidor de parámetros.

Este parámetro es necesario cuando cualquiera de node_count, process_count_per_node, worker_counto parameter_server_count> 1. En el caso de "ps", la suma de worker_count y parameter_server_count debe ser menor o igual que node_count * (número de CPU o GPU por nodo)

Cuando node_count == 1 y process_count_per_node == 1, no se usará ningún back-end a menos que el back-end se establezca explícitamente. Solo se admite el AmlCompute destino para el entrenamiento distribuido. se admite para el entrenamiento distribuido.

Parámetros para ejecutar un trabajo de entrenamiento distribuido.

Para ejecutar un trabajo distribuido con el back-end del servidor de parámetros, use el ParameterServer objeto para especificar worker_count y parameter_server_count. La suma de los worker_count parámetros y parameter_server_count debe ser menor o igual que node_count * (el número de CPU o GPU por nodo).

Para ejecutar un trabajo distribuido con back-end de MPI, use el Mpi objeto para especificar process_count_per_node.

Especifica si el entorno para ejecutar el experimento debe admitir GPU. Si es true, se usará una imagen de Docker predeterminada basada en GPU en el entorno. Si es false, se usará una imagen basada en CPU. Las imágenes de Docker predeterminadas (CPU o GPU) solo se usarán si custom_docker_image el parámetro no está establecido. Esta configuración solo se usa en destinos de proceso habilitados para Docker.

Especifica si el entorno en el que se va a ejecutar el experimento debe estar basado en Docker.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento.

OBSOLESCENTE. Utilice el parámetro custom_docker_image.

Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Nombre de la imagen de Docker a partir de la que se compilará la imagen que se va a usar para el entrenamiento. Si no se establece, se usará una imagen predeterminada basada en CPU como imagen base.

Detalles del registro de imágenes de Docker.

Especifica si Azure ML reutiliza un entorno de Python existente. Si es false, Azure ML creará un entorno de Python en función de la especificación de dependencias de Conda.

Lista de cadenas que representan paquetes de Conda que se van a agregar al entorno de Python para el experimento.

Lista de cadenas que representan paquetes pip que se van a agregar al entorno de Python para el experimento.

Ruta de acceso relativa al archivo yaml de dependencias de conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco. OBSOLESCENTE. Utilice el parámetro conda_dependencies_file.

Ruta de acceso relativa al archivo de texto de requisitos de pip. Esto se puede proporcionar en combinación con el pip_packages parámetro . OBSOLESCENTE. Utilice el parámetro pip_requirements_file.

Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso en el que se ejecuta el script de usuario.

Cadena que representa la ruta de acceso relativa al archivo yaml de dependencias de conda. Si se especifica, Azure ML no instalará ningún paquete relacionado con el marco.

Ruta de acceso relativa al archivo de texto de requisitos de pip. Esto se puede proporcionar en combinación con el pip_packages parámetro .

Diccionario de nombres y valores de variables de entorno. Estas variables de entorno se establecen en el proceso en el que se ejecuta el script de usuario.

Definición del entorno para el experimento. Incluye PythonSection, DockerSection y variables de entorno. Cualquier opción de entorno que no se exponga directamente a través de otros parámetros a la construcción del estimador se puede establecer mediante este parámetro. Si se especifica este parámetro, tendrá prioridad sobre otros parámetros relacionados con el entorno, como use_gpu, custom_docker_image, conda_packageso pip_packages. Los errores se notificarán en estas combinaciones no válidas.

Lista de azureml.data.data_reference. Objetos DataReference que se van a usar como entrada.

Almacén de datos de respaldo para el recurso compartido del proyecto.

Tamaño del bloque de memoria compartida del contenedor de Docker. Si no se establece, el valor predeterminado es azureml.core.environment._DEFAULT_SHM_SIZE. Para obtener más información, consulta

Versión de TensorFlow que se va a usar para ejecutar código de entrenamiento. Si no se proporciona ninguna versión, el estimador tendrá como valor predeterminado la versión más reciente compatible con Azure ML. Use TensorFlow.get_supported_versions() para devolver una lista para obtener una lista de todas las versiones compatibles con el SDK de Azure ML actual.

Habilite la compilación incremental del entorno con imágenes de marco precompiladas para una preparación más rápida del entorno. Una imagen de marco precompilado se basa en imágenes base de CPU y GPU predeterminadas de Azure ML con dependencias del marco preinstaladas.

Deshabilite la validación del script antes de ejecutar el envío. El valor predeterminado es True.

Mostrar advertencias de linting de script. El valor predeterminado es False.

Mostrar advertencias de validación de paquetes. El valor predeterminado es False.